1.一种基于神经网络的惯性导航数据修正方法，其特征在于，包括以下步骤：S1、采集惯性导航系统的载体位姿数据和GNSS的载体地理位置数据；

S2、将载体位姿数据和载体地理位置数据进行分组预处理，得到多组载体数据；

步骤S2中分组预处理的方法为：将两个相邻时间点载体地理位置数据和两个相邻时间点间的多个载体位姿数据归为一个分组，得到第n组载体数据为：其中，GNSSn为第n个时间点的载体地理位置数据，GNSSn+1为第n+1个时间点的载体地理位置数据， 到 为第n个时间点和第n+1个时间点之间的L个载体位姿数据；

S3、构建惯导修正神经网络，采用多组载体数据对惯导修正神经网络进行训练，直到奖励模型获得的平均奖励最大，得到训练完成的惯导修正神经网络；

步骤S3中奖励模型为：

其中， 为输入 的惯导修正神经网络的输出，GNSSn为第n个时间点的载体地理位置数据，GNSSn+1为第n+1个时间点的载体地理位置数据，∈1为欧氏距离在奖励中的权*

重，∈2为余弦距离在奖励中的权重，argmax为寻求惯导修正神经网络参数θ，使得 最大的函数，M为输入的载体数据的组数，即训练回合总数， 为平均奖励，|| ||为二范数，W为惯导修正神经网络所有权重参数，b为惯导修正神经网络所有偏置参数；S4、采用训练完成的惯导修正神经网络对载体位姿数据进行修正，得到惯性导航修正数据。

2.根据权利要求1所述的基于神经网络的惯性导航数据修正方法，其特征在于，所述步骤S3中惯导修正神经网络包括：输入层、隐藏层和输出层；

所述输入层、隐藏层和输出层均为全连接层，并依次连接。

3.根据权利要求2所述的基于神经网络的惯性导航数据修正方法，其特征在于，所述输入层的维度为6，隐藏层的维度为20，输出层的维度为3。

4.根据权利要求2所述的基于神经网络的惯性导航数据修正方法，其特征在于，所述全连接层的输入输出的关系为：

其中，Fm为第m层全连接层的输出，Relu(·)为激活函数，x1×i为输入数据矩阵，维度为1×i，Wj×i为全连接层待训练的权重矩阵，维度为j×i，b1×j为全连接层的偏置矩阵，维度为1×j，T为矩阵的转置操作；·为矩阵乘法操作，+为矩阵加法操作。